原文传递
基于深度学习的舰船目标光学遥感检测与识别算法研究
| 论文题名： | 基于深度学习的舰船目标光学遥感检测与识别算法研究 |
| 关键词： | 光学影像;舰船检测;舰船识别;深度学习;注意力机制 |
| 摘要： | 舰船作为海上贸易运输的载体和重要的军事对象,其自动检测与识别现实意义深远。随着遥感成像技术的进步，基于光学遥感影像的舰船目标检测方法被广泛应用。然而，传统的光学遥感处理方法无法对舰船特性准确描述﹐受云雾、波浪、杂波等因素的影响，存在检测鲁棒性差、虚警率高等问题。深度学习方法可以从复杂背景中获取舰船高维特征，提取出更加丰富的细节信息，具有更高准确度，能够满足实时需求。 本文构建了丰富的舰船数据集，基于主流深度学习算法开展了舰船检测与识别研究，并改进了YOLOv4算法。论文所做主要工作如下： （1）为解决舰船数据集缺乏问题，本文构建了3893张影像的舰船检测数据集，包含不同场景下各种尺寸的舰船8098艘，影像分辨率在0.3米与1米之间。进一步构建了舰船类型识别数据集，包含军事舰船、散装货船、集装箱船、液货船、客船等5类舰船，并对舰船特性进行统计分析。 （2）开展了基于深度学习算法的舰船检测与识别研究。YOLOv4算法的舰船检测性能最优，AP值达到了92.30%；FasterRCNN与YOLOv3AP值接近；FasterRCNN能检测出较多舰船但误检偏多，对于小型舰船的检测鲁棒性偏差；SSDAP值较低，对于小型舰船以及复杂背景下舰船的整体检测效果偏差。YOLOv4的舰船识别精度最高，mAP值为96.76%，对于散装货船、集装箱船、客船、液货船的识别与FasterRCNN、SSD、YOLOv3等精度较为相当，但军事舰船识别的AP值达到93.16%，而FasterRCNN、SSD、YOLOv3军事舰船识别AP值在85%左右。 （3）针对复杂背景下小型及并排舰船检测与识别难问题，构建了基于注意力机制FcaNet的YOLOv4算法。将FcaNet模型嵌入到网络中，选取低频的16个频率分量，并测试了不同结合位置在所构建的舰船数据集上检测与识别结果。实验表明，嵌入到骨干网络输出的三条支路效果最优，检测AP值达到93.04%，提升了0.74%，能检测到更多舰船，对小型舰船和并排舰船的检测能力均有所提升。在多类别舰船识别数据集的测试中mAP达到97.37%，其中较难识别的军事舰船AP值达到95.59%，相对于原算法提高了2.43%。 |
| 作者： | 夏文辉 |
| 专业： | 测绘工程 |
| 导师： | 万剑华;陈艳拢 |
| 授予学位： | 硕士 |
| 授予学位单位： | 中国石油大学(华东) |
| 学位年度： | 2021 |
检索历史
应用推荐
